文档扫描OCR识别简介
文档扫描OCR识别(Optical Character Recognition,光学字符识别)是指电子设备(例如扫描仪或数码相机)检查纸上打印的字符,通过检测暗、亮的模式确定其形状,然后用字符识别方法将形状翻译成计算机文字的过程。ICR(Intelligent Character Recognition)的名词也因此而产生。衡量一个文档扫描OCR识别系统性能好坏的主要指标有:拒识率、误识率、识别速度、用户界面的友好性,产品的稳定性,易用性及可行性等。
一般情况下办公人员想得到的是双层PDF文件——双层PDF文件是一种具有多层结构的格式文件,其特点是:文件既可以是文本型的(比如由word生成的文件),也可以是图像型的(比如由扫描生成的文件);双层PDF文件是指文件内容既包含文本层,也包含图像层,且其位置上下一一相对应。通过文档扫描OCR识别得到的双层PDF可以在打印的时候保持原图输出,并且可以全文检索复制,是一种非常完美的文件。
文档扫描OCR识别技术的应用方式
由于扫描仪的普及与广泛应用,文档扫描OCR识别软件只需提供与扫描仪的接口,利用扫描仪驱动软件即可。因此,文档扫描OCR识别软件主要是由下面几个部分组成。
图像输入、预处理:进行顺序,以及识别前的准备
二值化:进行识别胶的图片处理,变为黑白两色的图片(在一些专有设备上可以用红外拍摄照片)
噪声去除:去除图片的一些噪点和干扰因素
倾斜较正:对于扫描倾斜的图片,进行倾斜校正
版面分析:把页面分为横排文本,竖排文本ÿ